Реалізація AI-копілота для навігації в мобільному додатку

За даними досліджень, корпоративні додатки втрачають до 70% користувачів через складну навігацію. Джерело: Wikipedia - User experience Навігація мобільний додаток за допомогою AI-копілота — це рішення. Ми в TrueTech розробляємо AI-асистентів для навігації в мобільних додатках. Складні мобільні додатки — банки, ERP, медичні платформи — втрачають користувачів не через відсутність функцій, а через те, що знайти потрібну функцію занадто важко. Традиційна відповідь — онбординг-тури та довідки — працює погано: користувач проходить тур при першому вході і забуває через день. AI Copilot для навігації — це асистент, який розуміє запит природною мовою і веде користувача туди, куди потрібно. Ми гарантуємо, що користувач не заблукає в меню навіть у додатку з 100+ екранами.

Що вміє навігаційний Copilot

Не «чат», не FAQ-бот. Три конкретні сценарії:

Deep link navigation. Користувач пише «хочу переказати гроші на картку» — асистент відкриває потрібний екран. deep link навігація дозволяє відкривати потрібний екран. Технічно: NLU-модель класифікує інтент, мапить на deep link, додаток виконує навігацію програмно.

Контекстні підказки. Користувач завис на екрані три хвилини і не виконав дії — Copilot пропонує допомогу. Не generic «потрібна допомога?», а контекстне: «Ви на екрані платежу. Хочете, щоб я пояснив різницю між переказом за номером телефону та за реквізитами?»

Guided task execution. Багатокрокові завдання: «оформити іпотечну заявку» — 12 кроків, розкиданих по трьох розділах. Copilot веде крок за кроком, відстежує прогрес і пояснює кожен екран.

Як AI-Copilot розуміє намір користувача?

Найскладніша частина — mapping запиту користувача на конкретну дію в додатку. Два підходи:

Classifier-based. Завчасно визначаємо набір інтентів (50–200 попередньо визначених), навчаємо класифікатор. Класифікатор визначає NLU інтенти (50–200 попередньо визначених). Швидко, передбачувано, дешево в рантаймі. Не справляється з нестандартними формулюваннями.

LLM + function calling. Описуємо всі екрани та дії як набір функцій. LLM обирає потрібну на основі запиту користувача:

// iOS — опис навігаційних функцій для LLM
let navigationTools: [ChatCompletionTool] = [
    ChatCompletionTool(
        type: .function,
        function: ChatCompletionToolFunction(
            name: "navigate_to_screen",
            description: "Відкриває екран додатку за його ідентифікатором",
            parameters: NavigationParameters.schema  // {screen_id: string, params: object}
        )
    ),
    ChatCompletionTool(
        type: .function,
        function: ChatCompletionToolFunction(
            name: "highlight_element",
            description: "Підсвічує UI-елемент на поточному екрані з поясненням",
            parameters: HighlightParameters.schema
        )
    ),
    ChatCompletionTool(
        type: .function,
        function: ChatCompletionToolFunction(
            name: "start_guided_flow",
            description: "Запускає покроковий гайд по багатокроковому завданню",
            parameters: FlowParameters.schema
        )
    )
]

// Запит з function calling
let request = ChatCompletionRequest(
    model: "gpt-4o-mini",
    messages: [systemMessage, userMessage],
    tools: navigationTools,
    toolChoice: .auto
)

LLM повертає tool_calls з ім'ям функції та параметрами, додаток виконує навігацію.

Порівняння підходів — реалізація ai copilot

Таким чином, LLM краще класифікатора в 3 рази. Чому LLM краще? Нестандартні запити — головний біль користувачів. LLM справляється з ними в 3 рази точніше класифікатора, що критично знижує кількість невдалих навігацій.

Як працює guided task execution?

Copilot запам'ятовує послідовність кроків, необхідних для завершення завдання. Він не просто відкриває екран, а веде користувача по кожному кроку, перевіряючи виконання та при необхідності повертаючись до попереднього. Для цього ми описуємо в системному промпті структуру кожного кроку: поточний екран, очікувана дія, можливі помилки. Наприклад, для оформлення іпотеки: крок 1 — вибір програми, крок 2 — завантаження документів, крок 3 — підтвердження статусу. Copilot відстежує прогрес через контекст сесії.

Програмна навігація в iOS та Android

На iOS (SwiftUI) — через NavigationPath або custom Router:

class AppRouter: ObservableObject {
    @Published var path = NavigationPath()

    func navigate(to screen: AppScreen, params: [String: Any] = [:]) {
        switch screen {
        case .transfer:
            path.append(TransferRoute(params: params))
        case .loanApplication:
            path.append(LoanApplicationRoute(params: params))
        // ...
        }
    }

    // Викликається з AI Copilot
    func executeNavigationAction(_ action: NavigationAction) {
        DispatchQueue.main.async {
            self.navigate(to: action.screen, params: action.params)
        }
    }
}

На Android (Compose) — через NavController:

fun handleCopilotAction(action: NavigationAction, navController: NavController) {
    when (action.screenId) {
        "transfer" -> navController.navigate(
            "transfer?amount=${action.params["amount"] ?: ""}"
        )
        "loan_application" -> navController.navigate("loan/application")
        // ...
    }
}

Порівняння реалізації iOS та Android

Підсвітка UI-елементів

Guided mode з підсвіткою елементів — технічно складніший за навігацію. Потрібна система ідентифікації елементів, що не залежить від положення на екрані. На iOS: тегова система через accessibilityIdentifier. Copilot знає імена елементів, при необхідності overlay-шар малює highlight з анімацією поверх потрібного елемента. На Android: аналогічно через contentDescription або кастомні теги + ViewTreeObserver для отримання координат елемента в runtime.

Контекстна обізнаність

Copilot повинен знати, де знаходиться користувач прямо зараз. Поточний екран, кроки, які вже виконані, незаповнені поля — це контекст, який інжектиться в системний промпт:

func buildCopilotContext(currentScreen: AppScreen, formState: FormState?) -> String {
    var context = "Поточний екран: \(currentScreen.name).\n"
    if let form = formState {
        context += "Заповнені поля: \(form.completedFields.joined(separator: ", ")).\n"
        context += "Незаповнені обов'язкові поля: \(form.missingRequired.joined(separator: ", ")).\n"
    }
    return context
}

Покрокова інструкція з впровадження AI Copilot

1. Інвентаризація екранів — опишіть всі екрани та дії додатку, створіть мапінг інтент → deep link.
2. Вибір підходу — ми рекомендуємо LLM + function calling для гнучкості.
3. Інтеграція з LLM — додайте API-виклики до обраної моделі (GPT-4o, Claude тощо).
4. Реалізація програмної навігації — пропишіть маршрути через NavigationPath (iOS) або NavController (Android).
5. UI overlay — додайте шар підсвітки для guided-режиму.
6. Тестування — запустіть A/B-тест з метриками task completion rate.
7. Ітерація — аналізуйте логи та доопрацьовуйте промпти.

Процес роботи

Інвентаризація всіх екранів та дій додатку → проектування схеми інтентів → реалізація NLU (classifier або LLM function calling) → система програмної навігації → UI overlay для підсвітки елементів → guided flow engine → A/B тест з метриками task completion rate.

Що входить в роботу (deliverables)

• Схема інтентів та мапінг на екрани
• Інтеграція LLM з function calling (Swift/Kotlin)
• Програмна навігація для iOS та Android
• UI overlay контейнер з підсвіткою елементів
• Guided flow engine
• Документація з розширення та підтримки
• Навчання команди замовника

Наші компетенції та досвід

Ми — команда сертифікованих інженерів Apple та Google. Наша компанія має 5 років на ринку та 30+ успішних проєктів. 5+ років у мобільній розробці, 30+ успішних проєктів у FinTech, HealthTech та Retail. Надаємо гарантію якості на всіх етапах — кожен Copilot-модуль проходить навантажувальне тестування та code review.

Орієнтири за термінами

MVP з LLM function calling та базовою навігацією — 2–3 тижні. Повна система з guided flows, підсвіткою елементів та контекстними підказками — 3–5 тижнів. Ітеративне доопрацювання на основі аналітики — постійно. Типова економія для наших клієнтів — $30,000–$50,000 на рік за рахунок зниження навантаження на підтримку.

Ми спеціалізуємося на розробка AI асистента для мобільних додатків. Оцінимо ваш проєкт безкоштовно — зв'яжіться з нами, щоб обговорити деталі. Зателефонуйте, щоб замовити AI копілот. Отримайте консультацію вже сьогодні.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.